MDA (Multi-Agent Distributed Associative Memory) ist ein Open-Source-Speichersystem, das LLMs die Fähigkeit gibt, innerhalb eines Gesprächs zu lernen und Wissen persistent zu halten. Das System codiert Konzepte als assoziative Entitätsnetzwerke, aktualisiert diese über die Oja-Regel (ohne Backpropagation oder Reindexing) und nutzt Konzeptgraph-Aktivierung statt Ähnlichkeitssuche für Retrieval. Es läuft CPU-zentriert, ist modell-agnostisch und funktioniert sofort mit Ollama, OpenAI und Anthropic. Als MCP-Server bereitgestellt, unterstützt GPU-Beschleunigung für Batch-Workloads. Der Autor hat eine Benchmark mit synthetischen Fragen durchgeführt: MDA erreicht 82,5% Genauigkeit vs. 67,5% für RAG, benötigt dabei 3,1× weniger Kontext pro Query und bewahrt 92% der Information über 200 Gesprächsturn. Ein interessantes Merkmal ist die Multi-Agent-Fähigkeit – mehrere Agenten können die gleiche MDA-Instanz teilen und über assoziative Netzwerk-Traversal kollaborativ lernen. Der Autor betont, dass dies kein RAG-Replacement sein soll, sondern die Lücken zwischen RAG und LLM-Grenzen schließt.